Synth Science

Evidenskarta

AI-musik: hur evidensbasen ser ut

10 publikationer, 0 av dem studier och 0 synteser. Denna sida beskriver formen av den litteraturen snarare än att sammanfatta dess slutsatser.

Uppdaterad 3 min läsning 10 citat

Vad evidensen om AI-musik består av Av 10 publikationer om detta ämne, fördelningen efter studietyp: 10 andra. 10other (10)
10 publikationer, efter studietyp. Volym är inte styrka — samma antal kan vara en avgjord fråga eller en hög av kommentarer, och vilken det är beror nästan helt på denna uppdelning. Hämtad från PubMed och Crossref; publikationstyp som registrerad av källan.

Vad denna litteratur består av

En rimlig volym av litteratur, men viktad mot översikter och observationsarbete snarare än studier. Det är tillräckligt för att beskriva ett fenomen och sällan tillräckligt för att fastställa att en intervention fungerar.

Den viktigaste skillnaden är mellan syntes och primärforskning. En metaanalys samlar studier och är det närmaste en avgjord svar som ett fält producerar. En narrativ översikt är en grupps läsning av samma material och kan vara selektiv utan att vara oärlig. Att räkna dem tillsammans, vilket de flesta citeringsräkningar gör, döljer exakt det du vill veta.

När litteraturen om AI-musik publicerades Publiceringsår för de 10 artiklarna om detta ämne, grupperade i band från före 2015 till 2023 och framåt. 2023 onwards10 papers
Fortfarande aktiv. Den senaste artikeln här är från 2026, så detta är ett område där ett svar skrivet idag kanske inte håller länge. Publiceringsår som registrerat av PubMed och Crossref.

Hur denna sida är uppbyggd

Allt ovanstående beräknas från de citat denna webbplats har hämtat från PubMed och Crossref, inte skrivet för hand. När den veckovisa skörden hittar en ny artikel om detta ämne, ändras dessa räkningar och karakteriseringen ändras med dem. Det är poängen: ett handskrivet påstående om hur stark en evidensbas är börjar förfalla den dag det skrivs.

Publikationstyp tas som källan registrerar den. Det är ofullkomligt — tidskrifter märker inkonsekvent, och en artikel som indexerats som en "översikt" kan vara en systematisk — så behandla banden som ungefärliga. De är tillräckligt exakta för att särskilja en studielitteratur från en kommentarlitteratur, vilket är den viktiga skillnaden.

Det starkaste arbetet om detta ämne

Ordnat efter studiedesign först, sedan nylighet. Den fullständiga uppsättningen listas i referenserna nedan.

  1. Tillämpad forskning om djup generativ modellering för automatiserad musikkomposition — Han J, 2026, tidskriftsartikel
  2. Användning av djupinlärning för att generera biomorf möbeldesign: En generativ metod — Mostafa A, Goda D, Ezzat D, 2026, tidskriftsartikel
  3. Intelligent musikkompositionssystem baserat på djupinlärning: Stöd för komposition och arrangemang — Sun G, Wang H, 2025, tidskriftsartikel
  4. Djupa generativa arkitekturer för automatiserad musikkomposition: Optimering av neurala strukturer och multimodala ingångar för stilmedveten melodi- och harmonigenerering — Xiong H, 2025, tidskriftsartikel
  5. Egenskaper, modeller och tillämpningar av djupinlärning inom musikkomposition — Yanjun C, 2025, tidskriftsartikel
  6. Användning av modellen för generativ förändring för att underlätta informellt musiklärande — Weatherly K, 2024, tidskriftsartikel
  7. Design och implementering av automatiserat musikkompositionssystem baserat på djupinlärning — Wang F, 2024, tidskriftsartikel
  8. Forskning om ackordgenerering i automatiserad musikkomposition med hjälp av djupinlärningsalgoritmer — Zhu M, 2023, tidskriftsartikel
  9. FEM-GAN: En fysikövervakad djupinlärningsgenerativ modell för elastiska porösa material — Argilaga A, 2023, tidskriftsartikel
  10. Generera musik med data: Tillämpning av djupinlärningsmodeller för symbolisk musikkomposition — Ferreira P, Limongi R, Fávero L, 2023, tidskriftsartikel
Hur mycket forskning finns det om AI-musik?
10 publikationer är indexerade här, varav 0 är studier och 0 är synteser.
Betyder mer forskning en starkare slutsats?
Nej. Sammansättning är viktigare än volym — fem randomiserade studier stöder ett påstående mycket bättre än femtio kommentarer, och citeringsantal skiljer inte mellan dem.
Hur aktuell är detta?
Den senaste artikeln som indexerats här är från 2026. Setet uppdateras varje vecka från PubMed och Crossref.
Varför säger inte denna sida mig svaret?
För att sammanfatta en litteratur till en slutsats kräver att man läser den, och att göra det automatiskt är hur självsäkert nonsens publiceras. Denna sida visar hur mycket vikt en slutsats kan bära; artiklarna på denna webbplats gör tolkningen.

Referenser

Varje citation nedan länkar till den ursprungliga granskade artikeln på PubMed eller via DOI. Inget här är en ersättning för medicinsk rådgivning.

  1. Applied Research on Deep Generative Modeling for Automated Music Composition Han J · Quantum Information & Computation · 2026 · Journal article DOI
  2. Utilizing Deep Learning to Generate Biomorphic Furniture Design: A Generative Approach Mostafa A, Goda D, Ezzat D · Journal of Art, Design and Music · 2026 · Journal article DOI
  3. Features, Models, and Applications of Deep Learning in Music Composition Yanjun C · American Journal of Information Science and Technology · 2025 · Journal article DOI
  4. Deep Learning-based Intelligent Music Composition System: Assisting Composition and Arrangement Sun G, Wang H · WSEAS TRANSACTIONS ON COMPUTER RESEARCH · 2025 · Journal article DOI
  5. Deep Generative Architectures for Automated Music Composition: Optimizing Neural Structures and Multimodal Inputs for Style-Conscious Melody and Harmony Generation Xiong H · Applied and Computational Engineering · 2025 · Journal article DOI
  6. Using the model of generative change to facilitate informal music learning Weatherly K · British Journal of Music Education · 2024 · Journal article DOI
  7. Design and Implementation of Automatic Music Composition System Based on Deep Learning Wang F · Journal of Electrical Systems · 2024 · Journal article DOI
  8. Research on Chord Generation in Automated Music Composition Using Deep Learning Algorithms Zhu M · Informatica · 2023 · Journal article DOI
  9. Generating Music with Data: Application of Deep Learning Models for Symbolic Music Composition Ferreira P, Limongi R, Fávero L · Applied Sciences · 2023 · Journal article DOI
  10. FEM-GAN: A Physics-Supervised Deep Learning Generative Model for Elastic Porous Materials Argilaga A · Materials · 2023 · Journal article DOI

Denna sida översattes automatiskt från engelska. Citat och siffror är oförändrade. Läs den engelska originaltexten om något verkar konstigt. Läs den engelska originaltexten